В данной диссертации рассматривается использование локальных бинарных паттернов (LBP) и конволюционных нейронных сетей (CNN) для обнаружения фальсификации изображений, которая становится все более распространенной проблемой в современном цифровом мире. Путем сравнительного анализа четырех вариантов LBP с использованием набора данных CASIA-2.

0, он объединяет текстурные дескрипторы LBP с CNN для повышения точности и надежности. Методика включает в себя создание локальных текстурных дескрипторов с помощью LBP и их подачу в архитектуру CNN, обученную классифицировать изображения как поддельные или подлинные.

Несмотря на такие проблемы, как сложность вычислений, исследование нацелено на создание надежной системы обнаружения несанкционированного доступа, применимой в различных реальных сценариях. Примечательно, что Uniform LBP демонстрирует превосходную производительность как во время обучения, так и во время тестирования, достигая точности и F1-score более 97 % при обнаружении фальсификации изображений, что подтверждает эффективность подхода.

. .